OpenAI 同日发布 GPT-6.2 Astra 与 Sol。本文比较两者的 Agent 选型方法,并给出工作流测试方案。
官方发布页:https://openai.com/index/introducing-gpt-6-2-astra-sol/
相关讨论登上 Hacker News 首页,获得 128 分和 32 条评论。讨论页:https://news.ycombinator.com/item?id=50535230
但发布两个模型,不等于开发者会得到两份现成答案。
如果只是聊天,Astra 和 Sol 最终可能给出相似回答。进入 AI Agent 场景后,差异会体现在任务分工:谁负责规划,谁负责执行代码,谁负责批量检索,失败后由谁重试。这些选择会影响成本、延迟和成功率。
双模型发布,不等于双份答案
过去选模型,常见做法是跑几组 benchmark,再挑分数最高的那个。
这对单轮问答还算够用。对 Agent 不够。Agent 的一次“任务”通常包含多次模型调用:
- 拆解目标,生成步骤。
- 选择工具,整理参数。
- 读取工具结果,判断下一步。
- 遇到错误后重试或换路径。
- 汇总结果,检查格式。
假设任务规划调用 1 次、工具循环 8 次、失败重试 2 次、最终校验 1 次,总共就是 12 次模型请求。高价模型多调用几次,账单就会明显变化。
所以,比较 Astra 与 Sol 时,至少要把三个维度放在一张表里:
| 维度 | 要问的问题 |
|---|---|
| 能力 | 哪类任务的成功率更高? |
| 成本 | 完成同一任务的 token 和调用次数是多少? |
| 稳定性 | 工具参数错误率、重试率、人工接管次数是多少? |
跑分回答第一个问题的一部分。Agent 系统真正需要回答的是后两个。
先看产品定位,再看榜单
按照 OpenAI 的产品定位,GPT-6.2 Astra 与 Sol 并非简单的“强弱版”关系。
Astra 更适合复杂推理、代码生成与需要较强综合判断的任务。它可以承担规划、代码审查、疑难故障定位等高价值环节。
Sol 更适合规模化执行和高吞吐工作流。它更适合处理分类、抽取、格式转换、工具参数生成,以及可以明确验收的子任务。
官方素材没有给出可以直接填进表格的完整参数、价格和上下文规格。没有官方参数的数据,不猜。
选型时可以先按职责分:
- Astra:复杂推理、代码修改、架构决策、失败后的重新规划。
- Sol:批量分类、结构化输出、常规检索、并行工具调用。
长上下文也不是“窗口越大就一定越好”。上下文里塞满日志、检索片段和工具输出后,模型要重新定位关键证据。输入 token 增加,成本上升,响应也未必更快。
更实用的方法是按工作流切,而不是按品牌切。
一个代码修复 Agent 可以让 Astra 制定方案,再让 Sol 执行机械修改。资料检索任务可以让 Sol 批量筛选来源,最后交给 Astra 合并和核对。
两套模型各做擅长的事,是否真的比全程使用同一模型更省钱、更快,需要用测试数据确认。
Agent 的成本在调用组合里
很多团队只记录模型的单次调用价格,却忽略了 Agent 的额外成本。
真正需要核算的是“每个成功完成的任务成本”:
单任务成本 = 规划 token
+ 工具循环 token
+ 重试 token
+ 校验 token
+ 工具与基础设施费用
以一个需要 10 次调用的任务为例。如果前 2 次由 Astra 处理,后 8 次由 Sol 处理,成本结构可能与全程使用 Astra 完全不同。
反过来,如果 Sol 的失败率更高,触发额外重试,理论上的单次价格优势也可能被吃掉。
延迟也要按关键路径计算。Agent 经常并行调用多个工具,但模型决策仍然有先后顺序。下面这段伪代码说明路由逻辑,不代表 OpenAI 官方 API 的具体实现:
from dataclasses import dataclass
@dataclass
class Route:
task_type: str
needs_retry: bool
def choose_model(route: Route) -> str:
if route.needs_retry or route.task_type in {"planning", "code_review"}:
return "gpt-6.2-astra"
return "gpt-6.2-sol"
这段代码的重点是路由条件。正式实现时,还要接入官方 SDK、支持灰度切换,并记录每次路由决策。
失败重试尤其容易被忽略。一个格式错误,可能带来额外两轮调用。一个错误工具参数,可能浪费整个检索周期。
与其盲目提高模型档位,不如先检查工具 schema、返回结构和提示词。
用真实工作流测模型
我会设计三组同任务对照:代码修复、资料检索、多工具执行。
1. 代码修复
准备同一个真实仓库和同一份 issue。两组都只能使用相同工具与权限。
记录:
- 测试通过率。
- 首次修改能否通过 CI。
- 从接收 issue 到提交补丁的时间。
- 是否修改了任务范围外的文件。
- 人工接管次数。
Astra 可先测试根因定位和补丁设计,Sol 可先测试批量测试输出处理、重命名和格式修复。这里不能只看生成代码量。补丁越大,审查成本越高。
2. 资料检索
给出同一个研究问题,要求模型调用同一批搜索与文档读取工具。限制最大查询次数,避免无限搜索掩盖差异。
记录:
- 找到正确来源的比例。
- 引用是否支持结论。
- 重复查询次数。
- 输出 token。
- 人工修正引用次数。
这个任务里,可以测试 Sol 是否适合先做候选来源筛选,Astra 是否适合处理冲突信息。但这只是待验证假设,不能当作发布结论。
3. 多工具执行
例如:读取日历、查询 CRM、创建工单,再发送通知。验收标准应是状态是否正确,而不是聊天回复是否流畅。
记录:
- 工具调用成功率。
- 参数错误率。
- 中途状态恢复能力。
- 端到端耗时。
- 是否需要人工补操作。
测试表可以保持简单:
| 工作流 | 成功率 | 平均耗时 | 人工接管 | 平均 token |
|---|---|---|---|---|
| 代码修复 | 待测 | 待测 | 待测 | 待测 |
| 资料检索 | 待测 | 待测 | 待测 | 待测 |
| 多工具执行 | 待测 | 待测 | 待测 | 待测 |
然后分别比较三种策略:全程 Astra、全程 Sol,以及按任务动态路由。
没有实际运行前,不填入推测数字。公开 benchmark 也无法替代工作流测试,因为工具质量、上下文构造和重试策略都会改变结果。
结论可以落到一个具体动作:先选 20 个真实任务,固定工具、权限和验收条件,再分别跑两种单模型策略与一种动态路由策略。按“成功任务成本”排序,而不是按聊天印象排序。
编辑思考
这次真正重要的,不是 OpenAI 又多了两个模型入口。Hacker News 出现 128 分、32 条评论,至少说明开发者会继续追问价格、能力和 API 兼容性。
我的判断是,模型发布会逐渐变成路由配置。团队会先让强模型处理规划和异常,再把可验收、批量化的步骤交给便宜模型。模型目录越丰富,Agent 配置就越像一组策略,而不是单个 model 参数。
这次和过去的“换模型”不同:Astra 与 Sol 同时出现,选型从静态比较变成动态分配。同一任务可能多次调用不同模型,再根据前一步结果升降级。
不确定的是,官方产品定位能否在真实工具链中形成稳定成本优势。还要看 SDK 支持、限流、价格结构和失败重试机制。这些条件成熟,路由能力才可能比单项榜单更影响 Agent 的实际收益;否则双模型只会增加运维复杂度。
来源
https://openai.com/index/introducing-gpt-6-2-astra-sol/